休息状态EEG动态功能连接性区分非精神病重度抑郁,精神病重度抑郁和精神分裂症

科学领域:

• 神经科学是一个神经科学.
• 精神病学是一个精神病学.
• 机器学习 机器学习

背景情况:

• 区分非精神病性严重抑郁症 (NPMD),精神病性严重抑郁症 (PMD) 和精神分裂症 (SCZ) 对于有效治疗至关重要.
• 当前的诊断方法可能无法完全捕捉这些疾病背后的复杂神经动态.

研究的目的:

• 识别特定于NPMD,PMD和SCZ的独特动态功能连接 (DFC) 模式.
• 评估机器学习算法的有效性,使用DFC指标来分类这些精神疾病和健康对照 (HC).

主要方法:

• 招募了579名参与者 (152名NPMD,45名PMD,185名SCZ,197名HC).
• 采用DFC方法分析功能连接状态及其动态指标 (比例,平均持续时间,过渡数).
• 训练了一种使用DFC指标进行四向分类的双层分类器 (HC,NPMD,PMD,SCZ).

主要成果:

• 在DFC网络指标 (状态2和3) 中,在HC和所有患者组 (p <0.01) 之间,在delta,theta和gamma波段中发现了显著的差异.
• 基于DFC的分类器在区分四个组时实现了73.1%±2.8%的准确性.
• 这种DFC方法显著优于静态功能连接 (SFC) (p < 0.001).

结论:

• DFC分析可以识别与精神疾病相关的独特的神经活动模式.
• 来自DFC的动态网络生物标志物显示出精确,单个主体的精神疾病分类的潜力.
• 这项研究可能会导致开发基于EEG的精神健康先进诊断工具.